CN113162725B - 光网络运行方法 - Google Patents
光网络运行方法 Download PDFInfo
- Publication number
- CN113162725B CN113162725B CN202110534689.6A CN202110534689A CN113162725B CN 113162725 B CN113162725 B CN 113162725B CN 202110534689 A CN202110534689 A CN 202110534689A CN 113162725 B CN113162725 B CN 113162725B
- Authority
- CN
- China
- Prior art keywords
- feature map
- classification
- optical network
- threshold
- signal amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010586 diagram Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 32
- 239000013307 optical fiber Substances 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008054 signal transmission Effects 0.000 description 8
- 238000005065 mining Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J14/00—Optical multiplex systems
- H04J14/02—Wavelength-division multiplex systems
- H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本申请涉及光网络领域，更具体地涉及一种光网络运行方法。所述光网络运行方法考虑到在同一光纤上进行波分复用时，各个波长尤其是波长相近之间的信号可能在传递过程中受到传输条件的影响而发生相互干扰从而影响传输质量。相应地，所述光网络运行方法以深度学习技术综合地考虑各个波长的信号在波分复用时不同时间点之间的关联和同一波长的信号在不同的时间点之间的关联来进行特征识别和分类，以确保了光网络在波分复用情况下的传输信号质量。
Description
技术领域
本发明涉及光网络领域，且更为具体地，涉及一种光网络运行方法、光网络运行系统和电子设备。
背景技术
光网络(Optical Network)一般指使用光纤作为主要传输介质的广域网、城域网或者新建的大范围的局域网，其具有传输速度高、传输距离长等特点。另外，由于光网络具有超大容量和丰富的接口，为电信业务发展奠定了基础，并且，进一步通过利用超大容量的DWDM(Dense Wavelength Division Multiplex and Multiplexer：密集型波分复用和复用器)技术，可以在一根光纤上传送96个以上的波长，以每一个波长承载19G信号计算，传输网的容量将达到960G。相应地，光分插节点采用大容量的光交换机，交换机的容量也可以达到640G以上。
但是，在光网络的实际运行过程当中，当在同一光纤上进行波分复用，即传送多个波长时，各个波长，尤其是相近波长之间的信号可能在传递过程当中受到传输条件的影响而发生相互干扰，从而影响信号传输质量，因此，期望提供一种用于监控波分复用情况下的传输信号质量的光网络运行方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种光网络运行方法、光网络运行系统和电子设备，其采用基于深度网络模型的深度学习技术来解决隐含统计特征的挖掘和分类问题，也就是，各个波长，尤其是相近波长之间的信号可能在传递过程当中受到传输条件的影响而发生相互干扰，从而影响信号传输质量的问题。通过这样的方式，确保了波分复用情况下的传输信号质量。
根据本申请的一个方面，提供了一种光网络运行方法，其包括：
获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；
以波长和时间为两个维度，将所述多个时间点的信号幅值数据构造成幅值矩阵；
将所述幅值矩阵通过深度卷积神经网络以获得初始特征图；
对所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：
确定用于搜索连通域的阈值；
基于该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及
基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
在上述光网络运行方法中，所述多个时间点的光信号的信号幅值数据为以预设时间间隔采集的光信号的信号幅值数据。
在上述光网络运行方法中，基于该阈值搜索所述初始特征图中的各个连通域，包括：以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；以及，响应于该相邻位置的特征值大于该阈值，确定该相邻位置为该参考位置的连通域。
在上述光网络运行方法中，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图，包括：将所述连通域对应的区域确定为掩码；保留所述初始特征图中各个所述连通域内的特征值；以及，将所述初始特征图中各个所述连通域外的特征值设置为0，以获得所述分类特征图。
在上述光网络运行方法中，所述阈值作为超参数参与到训练过程中。
在上述光网络运行方法中，将所述分类特征图通过分类器以获得分类结果，包括：将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述光网络运行方法中，所述深度卷积神经网络为深度残差网络。
根据本申请的另一方面，一种光网络运行系统，其包括：
信号幅值数据获取单元，用于获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；
幅值矩阵构造单元，用于以波长和时间为两个维度，将所述信号幅值数据获取单元获得的所述多个时间点的信号幅值数据构造成幅值矩阵；
初始特征图生成单元，用于将所述幅值矩阵构造单元获得的所述幅值矩阵通过深度卷积神经网络以获得初始特征图；
分类特征图生成单元，用于对所述初始特征图生成单元获得的所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：
阈值确定子单元，用于确定用于搜索连通域的阈值；
连通域搜索子单元，用于基于所述阈值确定子单元获得的所述该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及
分类特征图计算子单元，用于基于所述连通域搜索子单元获得的所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及
分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
在上述光网络运行系统中，所述多个时间点的光信号的信号幅值数据为以预设时间间隔采集的光信号的信号幅值数据。
在上述光网络运行系统中，所述连通域搜索子单元，包括：相邻位置搜索二级子单元，用于以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；以及，连通域确定二级子单元，用于响应于所述相邻位置搜索二级子单元获得的所述该相邻位置的特征值大于该阈值，确定所述相邻位置搜索二级子单元获得的所述该相邻位置为该参考位置的连通域。
在上述光网络运行系统中，所述分类特征图计算子单元，包括：掩码确定二级子单元，用于将所述连通域对应的区域确定为掩码；特征值保留二级子单元，用于保留所述初始特征图中各个所述连通域内的特征值；以及，特征值处理二级子单元，用于将所述初始特征图中各个所述连通域外的特征值设置为0，以获得所述分类特征图。
在上述光网络运行系统中，所述阈值作为超参数参与到训练过程中。
在上述光网络运行系统中，所述分类结果生成单元，包括：分类特征向量生成子单元，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，分类结果计算子单元，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述光网络运行系统中，所述深度卷积神经网络为深度残差网络。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的光网络运行方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的光网络运行方法。
与现有技术相比，本申请提供的光网络运行方法、光网络运行系统和电子设备，其以深度学习技术综合地考虑各个波长的信号在波分复用时不同时间点之间的关联和同一波长的信号在不同的时间点之间的关联来进行特征识别和分类，以确保了光网络在波分复用情况下的传输信号质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的光网络运行方法的应用场景图；
图2为根据本申请实施例的光网络运行方法的流程图；
图3为根据本申请实施例的光网络运行方法的系统架构示意图；
图4为根据本申请实施例的光网络运行方法中，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图的流程图；
图5为根据本申请实施例的光网络运行方法中，将所述分类特征图通过分类器以获得分类结果的流程图；
图6为根据本申请实施例的光网络运行系统的框图；
图7为根据本申请实施例的光网络运行系统中连通域搜索子单元的框图；
图8为根据本申请实施例的光网络运行系统中分类特征图计算子单元的框图；
图9为根据本申请实施例的光网络运行系统中分类结果生成单元的框图；
图10为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，光网络(Optical Network)一般指使用光纤作为主要传输介质的广域网、城域网或者新建的大范围的局域网，其具有传输速度高、传输距离长等特点。另外，由于光网络具有超大容量和丰富的接口，为电信业务发展奠定了基础，并且，进一步通过利用超大容量的DWDM(Dense Wavelength Division Multiplex and Multiplexer：密集型波分复用和复用器)技术，可以在一根光纤上传送96个以上的波长，以每一个波长承载19G信号计算，传输网的容量将达到960G。相应地，光分插节点采用大容量的光交换机，交换机的容量也可以达到640G以上。
但是，在光网络的实际运行过程当中，当在同一光纤上进行波分复用，即传送多个波长时，各个波长，尤其是相近波长之间的信号可能在传递过程当中受到传输条件的影响而发生相互干扰，从而影响信号传输质量，因此，期望提供一种用于监控波分复用情况下的传输信号质量的光网络运行方法。
考虑到当前光网络主要用于数据传输，而信号传输本身就存在强弱，因此无法用简单的方法来通过对各个波长的信号强弱基于阈值的监控来确定信号传输质量，本申请的申请人使用基于神经网络模型的深度学习技术来解决隐含统计特征的挖掘和分类问题。
具体地，在本申请的技术方案中，首先获得光网络在基于波分复用传输多个波长的光信号的情况下，一系列预定时间间隔的时间点的光信号的幅值数据，从而表示信号强弱，且每个时间点的信号幅值数据包含分别在多个波长下的信号幅值数据，这样，在波长和时间两个维度上，可以将所获得信号幅值数据组成一个数值矩阵。
然后，将所述数值矩阵输入深度卷积神经网络获得初始特征图，这样，不仅能够挖掘出同一时间的各信号波长之间的高维统计关联特征，还可以挖掘出不同时间的各个波长的信号之间的高维统计关联特征。另外，因为信号在传输过程当中，会受到噪声的微小扰动，在通过深度卷积神经网络进行特征挖掘时，不可避免地会产生并且扩大这种由于微小扰动所造成的关联关系，因此，为了避免则在后续的回归过程当中引入不利因素，在本申请的技术方案中，对于初始特征图进行基于连通域的掩码处理，以便于筛选出那些能够表示信号本身之间的强关联的特征数值。
也就是，对于初始特征图，首先确定用于搜索连通域的阈值，例如这可以作为超参数在训练过程中训练得到，然后基于该阈值搜索初始特征图中的各个连通域，即以该阈值搜索参考位置周围的相邻位置，如果该相邻位置的特征值也大于阈值即认为构成该参考位置的连通域，这样，可以在特征图上获得多个连通域。然后，以搜索出的连通域构造掩码，即连通域内保留特征值，而连通域外的特征值设置为0，从而获得分类特征图。之后，将所述分类特征图通过分类器以获得分类结果，用于表示在当前波分复用的情况下传输信号的质量是否满足预定标准。
基于此，本申请提出了一种光网络运行方法，其包括：获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；以波长和时间为两个维度，将所述多个时间点的信号幅值数据构造成幅值矩阵；将所述幅值矩阵通过深度卷积神经网络以获得初始特征图；对所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：确定用于搜索连通域的阈值；基于该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
图1图示了根据本申请实施例的光网络运行方法的应用场景图。如图1所示，在该应用场景中，通过示波器(例如，如图1中所示意的O)采集待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据。当然，在该应用场景中，还可以以其他传感器来采集光信号的信号幅值数据，对此，并不为本申请所局限。然后，将所述信号幅值数据输入至部署有光网络运行算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以光网络运行算法对所述获得的信号幅值数据进行处理，以生成用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了光网络运行方法的流程图。如图2所示，根据本申请实施例的光网络运行方法，包括：S110，获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；S120，以波长和时间为两个维度，将所述多个时间点的信号幅值数据构造成幅值矩阵；S130，将所述幅值矩阵通过深度卷积神经网络以获得初始特征图；S140，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：确定用于搜索连通域的阈值；基于该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及，S150，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
图3图示了根据本申请实施例的光网络运行方法的架构示意图。如图3所示，在所述光网络运行方法的网络架构中，首先，将获取的待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据(例如，如图3中所示意的IN0)以波长和时间为两个维度，构造成幅值矩阵(例如，如图3中所示意的Ma)，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；接着，将所述幅值矩阵通过深度卷积神经网络(例如，如图3中所示意的CNN)以获得初始特征图(例如，如图3中所示意的F1)；然后，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图(例如，如图3中所示意的F2)；最后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
在步骤S110中，获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据。例如，以预定时间间隔来采集所述待检测光网络在基于波分复用传输多个波长的光信号的情况下的光信号的信号幅值数据。如前所述，考虑到当前光网络主要用于数据传输，而信号传输本身就存在强弱，因此无法用简单的方法来通过对各个波长的信号强弱基于阈值的监控来确定信号传输质量，因此，在本申请的技术方案中，选择采用基于神经网络模型的深度学习技术来解决隐含统计特征的挖掘和分类问题。
在具体实施中，可以通过示波器以预设时间间隔采集待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，应可以理解，在其他应用场景中，还可以以其他传感器来采集光信号的信号幅值数据，对此，并不为本申请所局限。
在步骤S120中，以波长和时间为两个维度，将所述多个时间点的信号幅值数据构造成幅值矩阵。应可以理解，为了研究波长之间的信号在传递过程当中是否受到传输条件的影响而发生相互干扰，进而判断是否影响了信号传输的质量，因此，在本申请的技术方案中，采用在波长和时间两个维度上，将所获得的信号幅值数据组成一个数值矩阵以把波长、时间和幅值信息的关系整合到一起。
在步骤S130中，将所述幅值矩阵通过深度卷积神经网络以获得初始特征图。也就是，以深度卷积神经网络对所述幅值矩阵进行处理，以提取出所述幅值矩阵中的局部特征在高维空间中的特征分布表示，这样，不仅能够挖掘出同一时间的各信号波长之间的高维统计关联特征，还可以挖掘出不同时间的各个波长的信号之间的高维统计关联特征。
本领域普通技术人员应知晓，深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述卷积神经网络可被实施为深度残差网络，例如，ResNet 150。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S140中，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图。应可以理解，信号在传输过程当中，会受到噪声的微小扰动，在通过深度卷积神经网络进行特征挖掘时，不可避免地会产生并且扩大这种由于微小扰动所造成的关联关系，因此，为了避免则在后续的回归过程当中引入不利因素，在本申请的技术方案中，对于初始特征图进行基于连通域的掩码处理，以便于筛选出那些能够表示信号本身之间的强关联的特征数值。
具体地，在本申请实施例中，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图的过程，包括：首先确定用于搜索连通域的阈值。这里，该阈值可作为超参数参与到深度神经网络的训练过程中。然后，基于该阈值搜索初始特征图中的各个连通域。具体地，基于该阈值搜索所述初始特征图中的各个连通域的过程，包括：首先以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；然后，响应于该相邻位置的特征值大于该阈值，确定该相邻位置为该参考位置的连通域。这样，可以在特征图上获得多个连通域。
接着，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图。也就是，以搜索出的连通域构造掩码，即连通域内保留特征值，而连通域外的特征值设置为0，从而获得分类特征图。具体地，在本申请实施例中，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图，包括：首先，将所述连通域对应的区域确定为掩码；接着，保留所述初始特征图中各个所述连通域内的特征值；最后，将所述初始特征图中各个所述连通域外的特征值设置为0，以获得所述分类特征图。应可以理解，对于初始特征图进行基于连通域的掩码处理，以便于筛选出那些能够表示信号本身之间的强关联的特征数值，从而使得分类结果更为准确。
图4图示了根据本申请实施例的光网络运行方法中，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图的流程图。如图4所示，对所述初始特征图进行基于连通域的掩码处理以获得分类特征图，包括：S210，确定用于搜索连通域的阈值；S220，基于该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及，S230，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图。
在步骤S150中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，包括：首先，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量。也就是，首先，通过一个或多个全连接层作为编码器对所述分类特征图进行编码以充分利用所述分类特征图中每个位置信息，以生成分类特征向量。
然后，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。也就是，先将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于分类标签的概率值，具体地，包括在当前波分复用的情况下传输信号的质量满足预定标准的第一概率和在当前波分复用的情况下传输信号的质量不满足预定标准的第二概率。
进而，基于所述第一概率和所述第二概率确定所述分类结果，具体地，当所述第一概率大于所述第二概率时，所述分类结果为在当前波分复用的情况下传输信号的质量满足预定标准，当所述第一个概率小于所述第二概率时，所述分类结果为在当前波分复用的情况下传输信号的质量不满足预定标准。
图5图示了根据本申请实施例的光网络运行方法中，将所述分类特征图通过分类器以获得分类结果的流程图。如图5所示，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，包括：S510，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，S520，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
综上，本申请实施例的光网络运行方法被阐明，其以深度学习技术综合地考虑各个波长的信号在波分复用时不同时间点之间的关联和同一波长的信号在不同的时间点之间的关联来进行特征识别和分类，以确保了光网络在波分复用情况下的传输信号质量。
示例性系统
图6图示了根据本申请实施例的光网络运行系统的框图。如图6所示，根据本申请实施例的光网络运行系统700，包括：信号幅值数据获取单元710，用于获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；幅值矩阵构造单元720，用于以波长和时间为两个维度，将所述信号幅值数据获取单元710获得的所述多个时间点的信号幅值数据构造成幅值矩阵；初始特征图生成单元730，用于将所述幅值矩阵构造单元720获得的所述幅值矩阵通过深度卷积神经网络以获得初始特征图；分类特征图生成单元740，用于对所述初始特征图生成单元730获得的所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：阈值确定子单元741，用于确定用于搜索连通域的阈值；连通域搜索子单元742，用于基于所述阈值确定子单元741获得的所述该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；及，分类特征图计算子单元743，用于基于所述连通域搜索子单元742获得的所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及，分类结果生成单元750，用于将所述分类特征图生成单元740获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
在一个示例中，在上述光网络运行系统700中，所述多个时间点的光信号的信号幅值数据为以预设时间间隔采集的光信号的信号幅值数据。
在一个示例中，在上述光网络运行系统700中，如图7所示，所述连通域搜索子单元742，包括：相邻位置搜索二级子单元7421，用于以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；以及，连通域确定二级子单元7422，用于响应于所述相邻位置搜索二级子单元7421获得的所述该相邻位置的特征值大于该阈值，确定所述相邻位置搜索二级子单元获得的所述该相邻位置为该参考位置的连通域。
在一个示例中，在上述光网络运行系统700中，如图8所示，所述分类特征图计算子单元743，包括：掩码确定二级子单元7431，用于将所述连通域对应的区域确定为掩码；特征值保留二级子单元7432，用于保留所述初始特征图中各个所述连通域内的特征值；以及，特征值处理二级子单元7433，用于将所述初始特征图中各个所述连通域外的特征值设置为0，以获得所述分类特征图。
在一个示例中，在上述光网络运行系统700中，所述阈值作为超参数参与到训练过程中。
在一个示例中，在上述光网络运行系统700中，如图9所示，所述分类结果生成单元750，包括：分类特征向量生成子单元751，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，分类结果计算子单元752，用于将所述分类特征向量生成子单元751获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述光网络运行系统700中，所述深度卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述光网络运行系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的光网络运行方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的光网络运行系统700可以实现在各种终端设备中，例如光网络运行算法的服务器等。在一个示例中，根据本申请实施例的光网络运行系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该光网络运行系统700可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该光网络运行系统700同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该光网络运行系统700与该终端设备也可以是分立的设备，并且该光网络运行系统700可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图10来描述根据本申请实施例的电子设备。如图10所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的光网络运行方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如幅值矩阵、初始特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的光网络运行方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的光网络运行方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种光网络运行方法，其特征在于，包括：
获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；
以波长和时间为两个维度，将所述多个时间点的信号幅值数据构造成幅值矩阵；
将所述幅值矩阵通过深度卷积神经网络以获得初始特征图；
对所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：
确定用于搜索连通域的阈值；
基于该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及
基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
2.根据权利要求1所述的光网络运行方法，其中，所述多个时间点的光信号的信号幅值数据为以预设时间间隔采集的光信号的信号幅值数据。
3.根据权利要求1所述的光网络运行方法，其中，基于该阈值搜索所述初始特征图中的各个连通域，包括：
以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；以及
响应于该相邻位置的特征值大于该阈值，确定该相邻位置为该参考位置的连通域。
4.根据权利要求3所述的光网络运行方法，其中，基于所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图，包括：
将所述连通域对应的区域确定为掩码；
保留所述初始特征图中各个所述连通域内的特征值；以及
将所述初始特征图中各个所述连通域外的特征值设置为0，以获得所述分类特征图。
5.根据权利要求4所述的光网络运行方法，其中，所述阈值作为超参数参与到训练过程中。
6.根据权利要求1所述的光网络运行方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：
将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
7.根据权利要求1所述的光网络运行方法，其中，所述深度卷积神经网络为深度残差网络。
8.一种光网络运行系统，其特征在于，包括：
信号幅值数据获取单元，用于获取待检测光网络在基于波分复用传输多个波长的光信号的情况下的多个时间点的光信号的信号幅值数据，其中，每个时间点的光信号的所述信号幅值数据包括分别在多个波长下的信号幅值数据；
幅值矩阵构造单元，用于以波长和时间为两个维度，将所述信号幅值数据获取单元获得的所述多个时间点的信号幅值数据构造成幅值矩阵；
初始特征图生成单元，用于将所述幅值矩阵构造单元获得的所述幅值矩阵通过深度卷积神经网络以获得初始特征图；
分类特征图生成单元，用于对所述初始特征图生成单元获得的所述初始特征图进行基于连通域的掩码处理以获得分类特征图，其包括：
阈值确定子单元，用于确定用于搜索连通域的阈值；
连通域搜索子单元，用于基于所述阈值确定子单元获得的所述该阈值搜索所述初始特征图中的各个连通域，所述连通域为所述初始特征图中特征值大于该阈值的位置相连通而形成的区域；以及
分类特征图计算子单元，用于基于所述连通域搜索子单元获得的所述连通域构造掩码并基于所述掩码对所述初始特征图进行处理，以获得所述分类特征图；以及
分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示在当前波分复用的情况下光网络所传输信号的质量是否满足预定标准。
9.根据权利要求8所述的光网络运行系统，其中，所述连通域搜索子单元，包括：
相邻位置搜索二级子单元，用于以该阈值搜索所述初始特征图中参考位置周围的相邻位置，其中，该参考位置的特征值大于该阈值；以及
连通域确定二级子单元，用于响应于所述相邻位置搜索二级子单元获得的所述该相邻位置的特征值大于该阈值，确定所述相邻位置搜索二级子单元获得的所述该相邻位置为该参考位置的连通域。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的光网络运行方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110534689.6A CN113162725B (zh) | 2021-05-17 | 2021-05-17 | 光网络运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110534689.6A CN113162725B (zh) | 2021-05-17 | 2021-05-17 | 光网络运行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113162725A CN113162725A (zh) | 2021-07-23 |
| CN113162725B true CN113162725B (zh) | 2022-11-18 |
Family
ID=76876141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110534689.6A Active CN113162725B (zh) | 2021-05-17 | 2021-05-17 | 光网络运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113162725B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113746539B (zh) * | 2021-07-30 | 2022-12-20 | 深圳市易联鑫云技术有限公司 | Gpon光链路保护倒换方法及系统 |
| CN113938211B (zh) * | 2021-09-15 | 2023-05-09 | 华中科技大学 | 一种光子全维度智能识别的方法和装置 |
| CN117955938B (zh) * | 2024-03-26 | 2024-06-14 | 苏州元脑智能科技有限公司 | 识别信号质量的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112054869A (zh) * | 2020-08-05 | 2020-12-08 | 西安电子科技大学 | 基于连续霍普菲尔德神经网络的波长分配方法 |
| CN112118066A (zh) * | 2020-11-23 | 2020-12-22 | 西南交通大学 | 一种基于改进卷积神经网络的fbmc-pon解调方法 |
| WO2020261401A1 (ja) * | 2019-06-25 | 2020-12-30 | 日本電信電話株式会社 | 光送受信システム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3288195B1 (en) * | 2016-08-22 | 2019-04-24 | Mitsubishi Electric R&D Centre Europe B.V. | Process for detecting a detuning at a wavelength splitter in an optical fibre transmission network |
| US10763989B2 (en) * | 2018-10-16 | 2020-09-01 | Nec Corporation | Machine learning based classification of higher-order spatial modes |
-
2021
- 2021-05-17 CN CN202110534689.6A patent/CN113162725B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020261401A1 (ja) * | 2019-06-25 | 2020-12-30 | 日本電信電話株式会社 | 光送受信システム |
| CN112054869A (zh) * | 2020-08-05 | 2020-12-08 | 西安电子科技大学 | 基于连续霍普菲尔德神经网络的波长分配方法 |
| CN112118066A (zh) * | 2020-11-23 | 2020-12-22 | 西南交通大学 | 一种基于改进卷积神经网络的fbmc-pon解调方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于多模光纤的光谱分析、射频谱感知及成像技术研究进展";于振明等;《信号处理》;20200915;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113162725A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113162725B (zh) | 光网络运行方法 | |
| JP7213358B2 (ja) | アイデンティティ検証方法、アイデンティティ検証装置、コンピュータ機器、及びコンピュータプログラム | |
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN116679890B (zh) | 存储设备安全管理系统及其方法 | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN113285938A (zh) | 应用于工业互联网的网络流量异常检测方法 | |
| CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其系统 | |
| Elmasry et al. | Enhanced Anomaly‐Based Fault Detection System in Electrical Power Grids | |
| CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
| Dong et al. | Multi‐task learning method for classification of multiple power quality disturbances | |
| Kim et al. | Residual correction in real-time traffic forecasting | |
| Ogawa et al. | Correlation-aware attention branch network using multi-modal data for deterioration level estimation of infrastructures | |
| CN110633735A (zh) | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 | |
| CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
| EP4258178A1 (en) | Information processing apparatus for improving robustness of deep neural network by using adversarial training and formal method | |
| CN113781845B (zh) | 无人机的电子围栏建立方法、系统和电子设备 | |
| CN113810460A (zh) | 无源光网络的应用程序推送方法及其系统和电子设备 | |
| CN112651494A (zh) | 用于线缆防缠绕预警的神经网络的训练方法 | |
| CN113746539B (zh) | Gpon光链路保护倒换方法及系统 | |
| CN113177507A (zh) | 路由器天线调节方法 | |
| US20240046068A1 (en) | Information processing device for improving quality of generator of generative adversarial network (gan) | |
| KR102649659B1 (ko) | 이상 예측을 위한 인공지능 모델을 학습시키기 위한 장치 및 이를 위한 방법 | |
| CN113747274A (zh) | 无源光网络中排查异常光网络单元的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221102 Address after: Unit 406, Building 366, No. 1568, Changyang Road, Yangpu District, Shanghai 200090 Applicant after: Shanghai Shenghe Zhiyuan Technology Group Co.,Ltd. Address before: No.2000, Shunhua Road, Licheng District, Jinan City, Shandong Province Applicant before: Jinan dedado Network Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |